Tensorflow2.0之安装问题（含cuda 和cudnn安装及百度网盘资源）

Tensorflow2.0的安装问题

tensorflow2.0的版本早已更新了，相比tensorflow1.x的版本tensorflow2.0显然更将的强大，但是它的安装过程是真的让人痛苦，下面和我一起来配置tensorflow2.0吧，windows版本我提供了cuda和cudnn的百度网盘linux的可以自行去官网下载

安装过程

TensorFlow 和其他的Python 库一样，使用Python 包管理工具pip install 命令即可安装。安装TensorFlow 时，需要根据电脑是否NVIDIA GPU 显卡来确定是安装性能更强的GPU 版本还是性能一般的CPU 版本。

CUDA的安装

目前的深度学习框架大都基于NVIDIA 的GPU 显卡进行加速运算，因此需要安装NVIDIA 提供的GPU 加速库CUDA 程序。在安装CUDA 之前，请确认本地计算机具有支持CUDA 程序的NVIDIA 显卡设备，如果计算机没有NVIDIA 显卡，如部分计算机显卡生产商为AMD，以及部分MacBook 笔记本电脑，则无法安装CUDA 程序，因此可以跳过这一步，直接进入TensorFlow 安装。CUDA 的安装分为CUDA 软件的安装、cuDNN 深度神经网络加速库的安装和环境变量配置三个步骤，安装稍微繁琐，请读者在操作时思考每个步骤的原因，避免死记硬背流程。

CUDA 软件安装 打开CUDA 程序的下载官网：https://developer.nvidia.com/cuda-10.0-
download-archive，这里我们使用CUDA 10.0 版本，依次选择Windows 平台，x86_64 架构，10 系统，exe(local)本地安装包，再选择Download 即可下载CUDA 安装软件。下载完成后，打开软件。如图所示，选择”Custom”选项，点击NEXT 按钮进入下图 安装程序选择列表，在这里选择需要安装和取消不需要安装的程序。在CUDA 节点下，取消”Visual Studio Integration”一项；在“Driver components”节点下，比对目前计算机已经安装的显卡驱动“Display Driver”的版本号“Current Version”和CUDA 自带的显卡驱动版本号“New Version”，如果“Current Version”大于“New Version”，则需要取消“Display Driver”的勾，如果小于或等于，则默认勾选即可。设置成后即可正常安装完成。


windows版本的可以使用我提供的百度网盘
链接：https://pan.baidu.com/s/1rhsqHHXrwwzgv3tF_v3j-w
提取码：6gjh

安装完成后，我们来测试CUDA 软件是否安装成功。打开cmd 命令行，输入“nvcc -V”，即可打印当前CUDA 的版本信息，如图 1.29 所示，如果命令无法识别，则说明安装失败。同时我们也从CUDA 的安装路径“C:\Program Files\NVIDIA GPU ComputingToolkit\CUDA\v10.0\bin”下找到“nvcc.exe”程序，如图 1.28 所示

cuDNN 神经网络加速库安装 CUDA 并不是针对于神经网络设计的GPU 加速库，它面向各种需要并行计算的应用设计。如果希望针对于神经网络应用加速，需要额外安装cuDNN 库。需要注意的是，cuDNN 库并不是运行程序，只需要下载解压cuDNN 文件，并配置Path 环境变量即可。打开网址https://developer.nvidia.com/cudnn，选择“Download cuDNN”，（windows的同志可以直接使用网盘里面的资源）由于NVIDIA公司的规定，下载cuDNN 需要先登录，因此用户需要登录或创建新用户后才能继续下载。登录后，进入cuDNN 下载界面，勾选“I Agree To the Terms of the cuDNN SoftwareLicense Agreement”，即可弹出cuDNN 版本下载选项。我们选择CUDA 10.0 匹配的cuDNN版本，并点击“cuDNN Library for Windows 10”链接即可下载cuDNN 文件。需要注意的是，cuDNN 本身具有一个版本号，同时它还需要和CUDA 的版本号对应上，不能下错不匹配CUDA 版本号的cuDNN 文件。

下载完成cuDNN 文件后，解压并进入文件夹，我们将名为“cuda”的文件夹重命名为“cudnn765”，并复制此文件夹。进入CUDA 的安装路径C:\Program Files\NVIDIA GPUComputing Toolkit\CUDA\v10.0，粘贴“cudnn765”文件夹即可，此处可能会弹出需要管理员权限的对话框，选择继续即可粘贴，如图 1.31 所示。

环境变量 Path 配置 上述cudnn 文件夹的复制即已完成cuDNN 的安装，但为了让系统能够感知到cuDNN 文件的位置，我们需要额外配置Path 环境变量。打开文件浏览器，在我的电脑”上右击，选择“属性”，选择“高级系统属性”，选择“环境变量”，如图1.32。在“系统变量”一栏中选中“Path”环境变量，选择“编辑”，如图 1.33 所示。选择“新建”，输入我们cuDNN 的安装路径“C:\Program Files\NVIDIA GPU ComputingToolkit\CUDA\v10.0\cudnn765\bin”，并通过“向上移动”按钮将这一项上移置顶。

CUDA 安装完成后，环境变量中应该包含“C:\Program Files\NVIDIA GPU Computing
Toolkit\CUDA\v10.0\bin”，“C:\Program Files\NVIDIA GPU ComputingToolkit\CUDA\v10.0\libnvvp”和“C:\Program Files\NVIDIA GPU ComputingToolkit\CUDA\v10.0\cudnn765\bin”三项，具体的路径可能依据实际路径略有出入，如图1.34 所示，确认无误后依次点击确定，关闭所有对话框。

tensorflow的安装

国内使用pip 命令安装时，可能会出现下载速度缓慢甚至连接断开的情况，需要配置
国内的pip 源，只需要在pip install 命令后面带上“-i 源地址”即可，例如使用清华源安装
numpy 包，首先打开cmd 命令行程序，输入：

# 使用国内清华源安装numpy
pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

即可自动下载并按着numpy 库，配置上国内源的pip 下载速度会提升显著。
现在我们来TensorFlow GPU 最新版本：

# 使用清华源安装TensorFlow GPU 版本
pip install -U tensorflow-gpu -i https://pypi.tuna.tsinghua.edu.cn/simple

上述命令自动下载TensorFlow GPU 版本并安装，目前是TensorFlow 2.0.0 正式版，“-U”参数指定如果已安装此包，则执行升级命令。现在我们来测试GPU 版本的TensorFlow 是否安装成功。在cmd 命令行输入ipython 进入ipython 交互式终端，输入“import tensorflow as tf”命令，如果没有错误产生，继续输入“tf.test.is_gpu_available()”测试GPU 是否可用，此命令会打印出一系列以“I”开头的信息(Information)，其中包含了可用的GPU 显卡设备信息，最后会返回“True”或者“False”，代表了GPU 设备是否可用，如图 1.35 所示。如果为True，则TensorFlow GPU版本安装成功；如果为False，则安装失败，需要再次检测CUDA，cuDNN，环境变量等步骤，或者复制错误，从搜索引擎中寻求帮助。

如果不能安装TensorFlow GPU 版本，则可以安装CPU 版本暂时用作学习。CPU 版本无法利用GPU 加速运算，计算速度相对缓慢，但是作为学习介绍的算法模型一般不大，使用CPU 版本也能勉强应付，待日后对深度学习有了一定了解再升级NVIDIA GPU 设备也未尝不可。亦或者，安装TensorFlow GPU 版本可能容易出现安装失败的情况，很多读者朋友动手能力一般，如果折腾了很久还不能搞定，可以直接安装CPU 版本先使用着。
安装 CPU 版本的命令为：

# 使用国内清华源安装TensorFlow CPU 版本
pip install -U tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完后，在ipython 中输入“import tensorflow as tf”命令即可验证CPU 版本是否安装成
功。
TensorFlow GPU/CPU 版本安装完成后，可以通过“tf.version”查看本地安装的
TensorFlow 版本号，如图 所示。

常用的python 库也可以顺带安装

# 使用清华源安装常用python 库
pip install -U numpy matplotlib pillow pandas -i https://pypi.tuna.tsinghua.edu.cn/simple